Opencv Python 简明教程

OpenCV Python - Image Threshold

在数字图像处理中，阈值处理是一个基于像素强度阈值创建二值图像的过程。阈值处理过程将前景像素与背景像素分离开来。

OpenCV 提供了执行 simple, adaptive 和 Otsu’s 阈值处理的函数。

在简单阈值化中，所有值小于阈值的像素都被设置为零，其余的则被设置为最大像素值。这是最简单的阈值化形式。

cv2.threshold() 函数具有以下定义。

cv2.threshold((src, thresh, maxval, type, dst)

Parameters

图像阈值化的参数如下：

  1. Src: Input array.

  2. Dst：相同大小的输出数组。

  3. Thresh: Threshold value.

  4. Maxval: Maximum value.

  5. Type: Thresholding type.

Types of Thresholding

其他类型的阈值化如下所示：

Sr.No

Type & Function

1

cv.THRESH_BINARY dst(x,y) = maxval if src(x,y)>thresh 0 otherwise

2

cv.THRESH_BINARY_INV dst(x,y)=0 if src(x,y)> thresh maxval otherwise

3

cv.THRESH_TRUNC dst(x,y)=threshhold if src(x,y)>thresh src(x,y) otherwise

4

cv.THRESH_TOZERO dst(x,y)=src(x,y) if src(x,y)>thresh 0 otherwise

5

cv.THRESH_TOZERO_INV dst(x,y)=0 if src(x,y)>thresh src(x,y)otherwise

这些阈值类型根据以下图表对输入图像执行操作：

threshold

threshold() 函数返回所使用的阈值和阈值图像。

以下程序通过将阈值设为 127，从原始图像生成一个从 255 到 0 具有灰色值渐变的二进制图像。

Example

最初的和产生的阈值二进制图像使用 Matplotlib 库并排绘制。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('gradient.png',0)
ret,img1 = cv.threshold(img,127,255,cv.THRESH_BINARY)

plt.subplot(2,3,1),plt.imshow(img,'gray',vmin=0,vmax=255)
plt.title('Original')
plt.subplot(2,3,2),plt.imshow(img1,'gray',vmin=0,vmax=255)
plt.title('Binary')
plt.show()

Output

threshold binary

自适应阈值化根据其周围的一个小区域确定像素的阈值。因此，得到了同一图像中不同区域的不同阈值。这为照明不同的图像提供了更好的结果。

cv2.adaptiveThreshold() 方法采用以下输入参数：

cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst] )

adaptiveMethod 具有以下枚举值：

  1. cv.ADAPTIVE_THRESH_MEAN_C − 阈值是邻域区域的平均值减去常数 C。

  2. cv.ADAPTIVE_THRESH_GAUSSIAN_C - 阈值是邻域值的加权高斯和减去常数 C。

Example

在下面的示例中，原始图像 (messi.jpg) 应用平均值和高斯自适应阈值化。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi.jpg',0)
img = cv.medianBlur(img,5)
th1 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_MEAN_C,\
   cv.THRESH_BINARY,11,2)
th2 = cv.adaptiveThreshold(img,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,\
   cv.THRESH_BINARY,11,2)
titles = ['Original', 'Mean Thresholding', 'Gaussian Thresholding']
images = [img, th1, th2]
for i in range(3):
   plt.subplot(2,2,i+1),plt.imshow(images[i],'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

Output

原始图像和自适应阈值二值图像使用 matplotlib 绘制，如下所示 −

adaptive threshold binary

Example

OTSU 算法从图像直方图中自动确定阈值。我们需要在 THRESH-BINARY 标志中传递 cv.THRES_OTSU 标志。

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('messi.jpg',0)
# global thresholding
ret1,img1 = cv.threshold(img,127,255,cv.THRESH_BINARY)
# Otsu's thresholding
ret2,img2 = cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)
plt.subplot(2,2,1),plt.imshow(img,'gray',vmin=0,vmax=255)
plt.title('Original')
plt.subplot(2,2,2),plt.imshow(img1,'gray')

plt.title('Binary')
plt.subplot(2,2,3),plt.imshow(img2,'gray')
plt.title('OTSU')
plt.show()

Output

matplotlib 的绘图结果如下所示 −

image histogram